Prise en charge périnatale des CC
Comment identifier un fœtus à
risque grâce au machine learning?
Maria A. ZULUAGA
Sophia Antipolis, France
Je déclare n’avoir aucun
conflit d’intérêt
Qu’est-ce que le « machine learning »?
• Terme introduit en 1959 par Arthur L. Samuel(1)
• Pour Tom M. Mitchell:
• Construction des systèmes informatiques avec la capacité d’apprendre à partir des données et d’améliorer leurs
performances à résoudre des tâches, grâce aux données, sans être explicitement programmés pour ça.
• Il permet de relier une grande quantité de données, de les
analyser et les traiter de manière efficace Tom M. Mitchell Informaticien et Professeur @CMU
Arthur L. Samuel (1901 – 1990)
(1)Samuel, Arthur (1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3): 210–229
Approche traditionnelle vs. Machine learning
• Approche traditionnelle
• Machine learning / apprentissage automatique
bleu
rouge Programme
Entrée Sortie
Programme Méthode
d’apprentissage
Entrée Sortie
Données
d’apprentissage
Programme choisi ou modèle
bleu
rouge
Machine learning: Types d’apprentissage*
Supervisé
• Apprendre à partir d’exemples annotés
Non-supervisé
• Apprentissage en absence d’étiquetage des données
(*) pertinents pour cette présentation
Méthode
d’apprentissage Modèle
Données annotées
Nouvelles données
Résultats
Méthode
d’apprentissage Modèle
Données Résultats
Semi-supervisé: Données partiellement annotées
Fœtus à risque: On est où avec ML?
2014: Deux grands projets de recherche autour de cette thématique sont financés
http://www.ifindproject.com/ https://www.gift-surg.ac.uk/
Mené par King’s College London Mené par University College London
ML dans l’identification du fœtus à risque
État avancé En cours
Pronostic*
Diagnostic et analyse Outils
d’analyse Reconstruction
d’image Acquisition
d’image Triage et
planification*
ML dans l’acquisition de données
• Détection des ombres acoustiques et sa visualisation avec une carte de
confiance. Elle permet de:
• Guider l’acquisition
• Simplifier l’analyse des images
• Améliorer la qualité de mesures biométriques
• Approche faiblement supervisée
Écographie prénatale
ML pour la reconstruction d’image
• Estimation du mouvement non-supervisé
• Détection d’anomalies
• Apprentissage en utilisant des fantômes numériques
IRM cardiaque prénatale
IRM 2D dynamique et
reconstruction 4D (3D+t) de l’anatomie cardiaque fœtal in utérus
Outils d’analyse: Segmentation d’image
• DeepIGeos: Méthode interactive supervisée qui s’appuie sur l’apprentissage profond pour la segmentation du placenta
• Elle facilite:
• La planification chirurgicale
• Prise de mesures biométriques
• Analyse en temps réduit
Wang, G., Zuluaga, M. A., Li, W., Pratt, R., Patel, P. A., Aertsen, M., ... & Vercauteren, T. (2018). DeepIGeoS: a deep interactive geodesic framework for medical image segmentation. IEEE TPAMI, 41(7), 1559-1572.
ML pour l’analyse et le diagnostic
• Méthodes supervisée de classification des sujets avec une cardiopathie
congénitale
• Preuve de concept sous la
transposition des gros vaisseaux (TGV)
• Données: IRM cardiaque de patients pédiatriques
Zuluaga, M. A., Burgos, N., Mendelson, A. F., Taylor, A. M., & Ourselin, S. (2015). Voxelwise atlas rating for computer assisted diagnosis: Application to congenital heart diseases of the great arteries. MedIA, 26(1), 185-194.
En collaboration avec
Comment aller plus loin?
• Exploiter le potentiel du machine learning pour combiner différentes sources d’information
• Approche « épidémiologique »
• Investigation de facteurs latents
• Découvert de nouveaux biomarqueurs
• Détection précoce
• Experts: Fondamental pour poser les questions pertinentes
En collaboration avec
Les défis: les données
• Donnés
• Représentation de conditions insuffisante
• Incomplètes
• Mauvaise qualité
• Annotations
• Insuffisantes
• Incomplètes
• Bruités
• Procédure coûteuse
van der Linde et al, JACC (58) 2011
~9 per 1000
Les défis: La gestion des risques
• Performances de méthodes
de l’état de l’art très proche de 100%
• Les méthodes d’apprentissage produisent des résultats
anatomiquement impossibles
• L’identification de ces erreurs reste visuelle
• Plusieurs méthodes basées sur ML assistent l’identification des fœtus à risque dans des protocoles cliniques standards.
• Pour aller plus loin: Utiliser la capacité du ML de combiner et analyser des grandes quantité de données provenant de différentes sources.
• La présence des experts reste fondamentale
• Plusieurs aspects critiques doivent encore être abordés
Conclusions
Merci
Machine Learning: Types des tâches
• Triage des patients avec des cardiopathies congénitales
Régression
Coenen et al. Circ Cardiovasc Imaging 2018
• Estimation de la réserve d’écoulement fractionnaire
Classification
Zuluaga et al. MedIA 2015
Reconnaissance de formes
ACP 1
ACP 2
ACP 3
• Identification des formes de la crosse aortique
Bruse et al. IEEE TBME 2017